按照要求改了，但是还是不行，现在显示的异常是：

老师，本节中，爬取小说，其实小说网址已经换了，里面的标签内容也和视频中不一样，我的思路是，先爬取首页，从首页中提取所有小说章节中的url，然后重新yield Request（url）中（按顺序添加的）让他重新爬取与重新解析，但是爬下来的小说章节保存在文件中都是乱

报这个异常，百度了是修改

试了，依然没解决

x=input('请输入x：')
y=input('请输入y：')
a=input('请输入a：')
b=input('请输入b：')
x=float(x)
y=float(y)
a=float(a)
b=float(b)
result=(5+10*x)/5-(13*(y-1)*(a+b)/x+9*(5/x+(12+x)/y)
print(result)

为啥运行不了，解决方法和原因

一、问题

老师，序列化是必须要用二进制写入吗

from urllib.request import Request,urlopen
import re

def get_html(url):
    headers = {
        'User-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3756.400 QQBrowser/10.5.4039.400'
                      'X-CSRF-Token: 0Jq5gyy1OYDW0iKKdDCnieaIPQoxCLHg'}
    req = Request(url, headers=headers)

    res = urlopen(req)
    return res.read().decode()

def save_html(html,filename):
    pattern = r'<div class="content">\s*<span>\s*(.+)<span>'
    v=re.findall(pattern,html)
    with open(filename, 'w', encoding='utf-8') as f:
        # f.write(html)
        for i in v:
            f.write('\t'+i+'\n\n')

def main(i,m):
    url = 'https://www.qiushibaike.com/text/{}'.format(i)
    html=get_html(url)

    filename = '第' + str(m+3) + '页段子.html'
    save_html(html, filename)


if __name__ == '__main__':
    p_list=['','page/2/','page/3/']
    m = 1
    for i in p_list:
        main(i,m)
        m+=1

里边的换行符可以去掉吗   我用的中文办法，但是去不掉换行符，视频方法也不行

#手写数字识别

import math
import  tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#数据加载
mnist = input_data.read_data_sets('data/mnist',one_hot=True)

#手写数字识别的数据集主要包含三个部分：训练集（5.5万行，mnist.train）、测试集（1万行，mnist.test）、验证集（0.5万行，）
#手写数字图片大小是28*28*1的像素的图片（黑白），也就是每个图片有784维的特征描述

train_img = mnist.train.images
train_label = mnist.train.labels
test_img = mnist.test.images
test_label = mnist.test.labels
train_sample_number = mnist.train.num_examples
#print(train_sample_number)#可以通过这个打印下数据集有多少行样本

learn_rate_base = 0.01


#每次迭代的训练样本数据
batch_size = 64
#展示信息的间隔大小
display_step = 1

#输入的样本维度大小信息
input_dim = train_img.shape[1]
#输入的维度大小信息
n_classes = train_label.shape[1]

#模型构建
#1.设置数据输入的占位符
x = tf.placeholder(tf.float32,shape=[None,input_dim],name='x')
y = tf.placeholder(tf.float32,shape=[None,n_classes],name='y')
learn_rate =tf.placeholder(tf.float32,name='learn_rate')

def lean_rate_func(epoch):
    """
    根据给定的迭代批次，更新产生一个学习率的值
    :param epoch:
    :return:
    """
    return learn_rate_base*(0.9**epoch)



def get_variable(name,shape,dtype=tf.float32,initializer=tf.truncated_normal_initializer(mean=0,stddev=0.1)):
    #返回一个对应的filter
    return tf.get_variable(name,shape,dtype,initializer)
#构建网络
def le_net(x,y):
    #1、输入层
    with tf.variable_scope('input'):
        #将输入的x的格式转换为规定的格式 我们用的是lenet所以Lenet输入层一开始的格式是28*28*1
        #[None，input_diml]转换为[None,height,weight,channels] 即[-1,28,28,1]
        net = tf.reshape(x,shape=[-1,28,28,1])
    #2、卷积层
    with tf.variable_scope('conv1'):

        tf.nn.conv2d(input=net,filter=get_variable('w',[5,5,1,32]),strides=[1,1,1,1],padding='SAME')
        #加一个偏置系数 由于[5,5,1,20]中的输出通道数的维数为20，所以偏置项设为20维
        net = tf.nn.bias_add(net,get_variable('b',[32]))
        #激励
        net = tf.nn.relu(net)
    #3、池化
    with tf.variable_scope('pool3'):
        net = tf.nn.max_pool(input=net,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

    #4、卷积
    with tf.variable_scope('conv4'):
        net = tf.nn.conv2d(input=net,filter=get_variable('w',[5,5,32,64]),strides=[1,1,1,1],padding='SAME')
        net = tf.nn.bias_add(net,get_variable('b',[64]))
        net = tf.nn.relu(net)
    #5池化
    with tf.variable_scope('pool5'):
        net = tf.nn.max_pool(input=net,ksize=[1,2,2,1],strides=[1,2,2,1],padding='VALID')

    #6全连接
    with tf.variable_scope('fc6'):
        #28*28经过两次池化 变成了7*7（28-》14-》7）
        net = tf.reshape(net,shape=[-1,7*7*64])
        net = tf.add(tf.matmul(net,get_variable('w',[7*7*64,1024])),get_variable('b',[1024]))
        net = tf.nn.relu(net)

    #7全连接
    with tf.variable_scope('fc7'):
        net = tf.add(tf.matmul(net,get_variable('w',[1024,n_classes])),get_variable('b',[n_classes]))
        act = tf.nn.softmax(net)

    return act

#接下来的就是与训练有关的代码了
#构建网络
act = le_net(x,y)
#构建模型的损失函数
#softmax_cross_entropy_with_logits:计算softmax中每个样本的交叉熵，logits指定预测值，labels指定实际值
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=act,labels=y))

# #使用梯度下降求解
# #使用梯度下降，最小化误差
# #leaning_rate:要注意，不要过大，过大可能不收敛，过小收敛速度慢
# train = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(cost)

#我们这里不用梯度下降，用Adam，Adam优化方式较多
train = tf.train.AdamOptimizer(learning_rate=learn_rate_base).minimize(cost)

#得到预测的类别是那一个
#tf.argmax:对矩阵按行或列计算最大值对应的下标，和numpy中的一样
#tf.equal:是对比这两个矩阵或者向量的相等的元素，如果是相等的那就返回True，反之返回False，返回的值的矩阵的维度和A一样
pred = tf.equal(tf.argmax(act,axis=1),tf.argmax(y,axis=1))

#正确率（True转换为1，False转换为0）
acc = tf.reduce_mean(tf.cast(pred,tf.float32))

#初始化
init = tf.global_variables_initializer()

with tf.Session()as sess:
    #进行数据初始化
    sess.run(init)

    #模型的保存、持久化
    saver = tf.train.Saver()
    epoch = 0
    while True:
        avg_cost = 0
        #计算出总的批次
        total_batch=int(train_sample_number/batch_size)
        #迭代更新
        total_batch=10
        for i in range(total_batch):
            #获取x和y
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            feeds = {x:batch_xs,y:batch_ys,learn_rate:lean_rate_func(epoch)}
            #模型训练
            sess.run(train,feed_dict=feeds)
            #获取损失函数
            avg_cost+=sess.run(cost,feed_dict=feeds)
        #重新计算平均损失（相当于计算每个样本的损失值）
        avg_cost = avg_cost/total_batch

        #显示误差率和训练集的正确率以及测试集的正确率
        if(epoch+1)%display_step==0:
            print("批次：%03d 损失函数值：%.9f"%(epoch,avg_cost))
            feeds = {x:batch_xs,y:batch_ys,learn_rate:lean_rate_func(epoch)}
            train_acc = sess.run(acc,feed_dict=feeds)
            print("训练集准确率：%.3f"%train_acc)

            feeds = {x:test_img,y:test_label}
            test_acc = sess.run(acc,feed_dict=feeds)
            print('测试准确率：%.3f'%test_acc)

            if train_acc > 0.9 and test_acc > 0.9:
                saver.save(sess,'./mnist/model')
                break
        epoch+=1
#模型可视化输出
writer = tf.summary.FileWriter('./mnist/graph',tf.get_default_graph())
#获取当前默认计算图。
writer.close()

为什么我这里维度不匹配呀，老师，我真的想不明白我错在哪？

老师，你这个WPS的课件能发一下吗，从网站上看太不方便了

与视频配套的文字说明解释，在哪里可以下载

双引号里写中文，然后重新编译显示编码 GBK 的不可映射字符 啥的百度教程说是将编码转换为ANSI格式编码。然后我这记事本没有这选项（win10）

老师如图描述所示，请求解答？？？？？？？？？？？？？？？

老师，消息输出 对象中文乱码怎样解决